基于表格生成建模的热解生物炭多属性数据合成框架及其在环境工程中的应用

本研究创新性地采用表格生成对抗网络（TGAN/CTGAN）、表格变分自编码器（TVAE）和统计Synthpop模型，解决了生物炭因原料-热解条件复杂交互导致的数据稀缺难题。Synthpop以97%分布相似度（KSComplement=0.98）显著提升合成数据质量，实验验证对甘蔗渣/竹炭的表面形态（SSA）、元素组成（C%）等特征预测误差<5%，为环境修复（如重金属吸附）的定制化生物炭筛选提供新范式。

　　

Highlight

本研究开发了基于表格生成建模的生物炭多属性合成框架，通过TGAN、CTGAN、TVAE和Synthpop模型突破传统机器学习在稀疏数据下的预测瓶颈。

数据集来源

原始生物炭数据集包含73篇文献中的503条记录，涵盖原料类型、4项热解条件参数（温度、保留时间、升温速率、N₂流速）和24项生物炭属性参数（如C%、N%、H%等元素组成）。

数据分析与填补

皮尔逊相关系数（PCC）分析显示热解温度与H%、O%呈显著负相关（p<0.05），与比表面积（SSA）和灰分%正相关，印证了高温促进脱羧反应而提升孔隙率的机制。

结论

Synthpop模型在连续变量（KSComplement=0.98）和分类变量（TVComplement=0.95）上均表现出最优的分布相似性，对甘蔗渣生物炭70.8%特征的预测误差<5%，为定向设计环境修复用生物炭提供高效工具。